动画制作相关术语
- Vertex(顶点)：动画模型可以看成多个小三角形（四边形）组成，每个小三角形就可以看成一个顶点。顶点越多，动画模型越精细。
- 骨骼点：人体的一些关节点，类似于人体姿态估计的关键点。每个骨骼点都由一个三元组作为参数去控制（可以查看欧拉角，四元数相关概念）
- 蒙皮：将模型从一个姿态转变为另一个姿态，使用的转换矩阵叫做蒙皮矩阵。
- 骨骼蒙皮（Rig）：建立骨骼点和顶点的关联关系。每个骨骼点会关联许多顶点，并且每一个顶点权重不一样。通过这种关联关系，就可以通过控制骨骼点的旋转向量来控制整个人运动。
- 纹理贴图：动画人体模型的表面纹理，即衣服裤子这些。
- texture map：将3D多边形网格表面的纹理展开到2D平面，得到纹理图像
- 混合形状（BlendShape）：控制动画角色运动有两种，一种是上面说的利用Rig，还有一种是利用BlendShape。比如：生成一种笑脸和正常脸，那么通过BlendShape就可以自动生成二者过渡的动画。这种方式相比于利用Rig，可以不定义骨骼点，比较方便。它指相对于base shape的变形（deformation），这种deformation是通常被表示为顶点的偏移量（vertex displacements），是由某种参数有关的function确定的
- 混合蒙皮技术（Blend Skinning） ：一种模型网格（mesh）随内在的骨骼结构（skeletal structure）变形的方法。网格的每个顶点（vertex）对于不同的关节点有不同的影响权重（weighted influence），顶点在变形时，形变量与这个权重相关
- LBS（Linear Blend Skinning ）：线性混合蒙皮。使用最广泛，但是在关节处会产生不真实的变形
- DQBS（dual-quaternion blend skinning ）：双四元数混合蒙皮。
- 顶点权重(vertex weights)：用于变形网格mesh
- uv map：将3D多边形网格展开到2D平面得到 UV图像
- 拓扑(topology)：重新拓扑是将高分辨率模型转换为可用于动画的较小模型的过程。两个mesh拓扑结构相同是指两个mesh上面任一个三角面片的三个顶点的ID是一样的（如某一个三角面片三个顶点是2,5,8；另一个mesh上也必有一个2,5,8组成的三角面片）
- pose-dependent blend shape:姿势相关的混合变形
- regressor from shape to joint locations: 形状到关节位置的回归函数
相关算法详解
SMPL
1.介绍
SMPL（Skinned Multi-Person Linear Model）是一种裸体的（skinned），基于顶点（vertex-based）的人体三维模型，能够精确地表示人体的不同形状（shape）和姿态（pose）。
SMPL适用于动画领域，可以随姿态变化自然的变形，并伴随软组织的自然运动。SMPL与现有的许多图形渲染管线都是兼容的。
SMPL是一种可学习的模型，通过训练可以更好地拟合人体的形状和不同姿态下的形变。
它将身体形状分为identity-dependent shape和non-rigid pose-dependent shape。人体可以理解为是一个基础模型和在该模型基础上进行形变的总和，在形变基础上进行PCA，得到刻画形状的低维参数——形状参数（shape）；同时，使用运动树表示人体的姿势，即运动树每个关节点和父节点的旋转关系，该关系可以表示为三维向量，最终每个关节点的局部旋转向量构成了SPML模型的姿势参数(pose)。
这种方法与传统的LBS的最大的不同在于其提出的人体姿态影像体表形貌的方法，这种方法可以模拟人的肌肉在肢体运动过程中的凸起和凹陷。因此可以避免人体在运动过程中的表面失真，可以精准的刻画人的肌肉拉伸以及收缩运动的形貌。
在SMPL文章中介绍了SMPL的总体模型，这个模型是通过训练得到，就是一些参数， 该模型中β和θ是其中的输入参数，其中β代表人体高矮胖瘦、头身比等比例的10个参数，是一个10-D的vector。θ是代表人体整体运动位姿和24个关节相对角度的75(24*3+3;每个关节点3个自由度，再加上3个根节点)个参数，是一个3K-D的vector（代表pose，其中K为骨架节点数，3是每个关节具有的3个自由度）。 β参数是Shape Blend Pose参数，可以通过10个增量模板控制人体形状变化： 具体而言：每个参数控制人体形态的变化可以通过动图来刻画。
SMPL骨架的节点个数为24，标注了人体影响姿态的几个主要关节，即：
smpl_names = [
'Left_Hip', 'Right_Hip', 'Waist', 'Left_Knee', 'Right_Knee',
'Upper_Waist', 'Left_Ankle', 'Right_Ankle', 'Chest',
'Left_Toe', 'Right_Toe', 'Base_Neck', 'Left_Shoulder',
'Right_Shoulder', 'Upper_Neck', 'Left_Arm', 'Right_Arm',
'Left_Elbow', 'Right_Elbow', 'Left_Wrist', 'Right_Wrist',
'Left_Finger', 'Right_Finger'
]
加上position的三个维度，则该模型最终总的输入就是10+3+3x24=85-D的数据。
根据输入的数据，对标准模型进行一步步的变化，大概流程就是：
1. Add shape blend shapes（缩放）
2. Infer shape-dependent joint locations.（根据shape调整joint）
3. Add pose blend shapes（胖瘦变形）
4. Get the global joint location（摆pose）
5. Do skinning（给骨架包裹外皮）
最终生成的模型是具有6980个顶点的mesh。
smpl 10个shape参数分别对应的物理意义：（实际有50个参数，开源的只有10个）smpl官网的unity模型可以用slider 控制参数变化
0 代表整个人体的胖瘦和大小，初始为0的情况下，正数变瘦小，负数变大胖（±5）
1 侧面压缩拉伸，正数压缩
2 正数变胖大
3 负数肚子变大很多，人体缩小
4 代表 chest、hip、abdomen的大小，初始为0的情况下，正数变大，负数变小（±5）
5 负数表示大肚子+整体变瘦
6 正数表示肚子变得特别大的情况下，其他部位非常瘦小
7 正数表示身体被纵向挤压
8 正数表示横向表胖
9 正数表示肩膀变宽
2.相关参数：
顶点 vertical: N=6890
关节 joint: K=23
网格对男女具有相同的拓扑结构，空间分辨率可变，干净的四元数结构，分割成多部分，有初始混合权重和骨骼蒙皮。
模型生成的函数：
-
(M(vec eta ,vec heta ;Phi ) = Wleft( {{T_P}(vec eta ,vec heta ),J(vec eta ),vec heta ,{cal W}} ight)mathbb{R}{^{left| {mathop heta limits^ o } ight| imes left| {mathop eta limits^ o } ight|}} mapsto {mathbb{R}^{3N}}), SPML function: 将形状和位姿参数映射成顶点。$Phi $表示学习到的参数。
-
(W(overline{mathrm{T}}, mathbf{J}, vec{ heta}, mathcal{W}): mathbb{R}^{3 N imes 3 K imes|vec{ heta}| imes|mathcal{W}|} mapsto mathbb{R}^{3 N})： the standard linear blend skinning function. 标准线性混合蒙皮.从模板smpl模型中取vertics in the rest pose (overline{mathrm{T}}),joint locations J,a pose (vec{ heta}) and the blend weights $ mathcal{W}$ , 输出posed vertices.
-
(B_{P}(vec{ heta}): mathbb{R}^{| heta|} mapsto mathbb{R}^{3 N}):a pose-dependent blend shape function. 一个取决于位姿的混合模型函数。输入是$mathop heta limits^ o $:一系列位姿参数向量，代表位姿的相关形变。它会和blend shapes加在一起，施加到rest pose上。
-
(B_{S}(vec{eta}): mathbb{R}^{mid eta mid} mapsto mathbb{R}^{3N})：a blend shape funchtion. 混合变形函数。输入是形状参数向量（shape parameters）(vec{eta}),输出是塑造了目标身份的混合形状（a blend shape sculpting the subject identity），也就是人体模型。
-
(B_D): Dynamic blendshapes function
-
(J(vec{eta}): mathbb{R}^{mid eta mid} mapsto mathbb{R}^{3K}): a function to predict K joint locations. 一个预测K个关节位置的函数.
模型输入的参数：
(eta):(vec{eta}=left[vec{eta}_{1}, ldots, overrightarrow{eta_{mid eta mid} } ight]^{T}),形状参数（shape parameter） 其中，(mid eta mid)是线性形状系数（linear shape coefficients）的数量
( heta)：,(vec{ heta}=left[vec{omega}_{0}^{T}, ldots, vec{omega}_{K}^{T} ight]^{T})姿态参数（pose parameter）.其中，(w_k)指关节k相对于运动树（kinematic tree）中的父关节点的旋转轴角度,({omega _{ m{k}}} in {R^3})
$mathop omega limits^ o $: Scaled axis of rotation; the 3 pose parameters corresponding to a particular joint
(vec{ heta}^{*})：原始姿态(zero pose)
$overrightarrow phi $: Dynamic control vector
$overrightarrow delta $: Dynamic shape coefficients
要通过训练集训练获取的参数：
(overline{mathrm{T}} in mathbb{R}^{3 N}):Mean shape of the template.平均模型，由N个串联的顶点表示(a mean template shape represented by a vector of N concatenated vertices)
(mathcal{S}=left[mathbf{S}_{1}, ldots, mathbf{S}_{|vec{eta}|} ight] in mathbb{R}^{3 N imes|vec{eta}|}): shape blend shapes. 所有207个姿势混合形状组成的矩阵 (由姿势引起位移的正交主成分)
(mathcal{P}): Pose blend shapes
(mathcal{W} in mathbb{R}^{N imes K})： blend weights. 一组混合权重，BS/QBS混合权重矩阵，即关节点对顶点的影响权重 (第几个顶点受哪些关节点的影响且权重分别为多少) (a set of blend weights)
(mathcal{J}:) Joint regressor matrix. 将rest vertices转换成rest joints的矩阵（获取T pose的关节点坐标的矩阵）[完成顶点到关节的转化]
训练数据：
(V): A registration
(V^P): Pose dataset registration
(V^S): Shape dataset registration
(hat{mathbf{T}}^{P}):Pose dataset subject shape; body vertices in the template pose
(hat{mathbf{J}}^{P}):Pose dataset subject joint locations in the template pose
(hat{mathbf{T}}_{mu}^{P}):Mean shape of a pose subject; body vertices in the template pose
(hat{mathbf{T}}_{mu}^{S}):Shape dataset subject shape; body vertices in the template pose
(hat{mathbf{T}}_{mu}^{S}):Mean shape of a subject in the shape dataset; body vertices in the template pose
3.Blend skinning
每个关节j绕轴的旋转角用罗德里格斯公式转换成旋转矩阵：
其中，(vec{ heta}=left[vec{omega}_{0}^{T}, ldots, vec{omega}_{K}^{T} ight]^{T})，参数通过(|vec{ heta}|=3 imes 23+3=72)定义
(ar{omega}=frac{vec{omega}}{|mid{omega}| mid}):为旋转的单位范数轴（the unit norm axis of rotation）
(hat{omega})：斜对称矩阵，通过三维向量(ar{omega})组成
(mathcal{I})：3x3单位矩阵
4.顶点坐标计算方法
每个(overline{mathrm{T}})中的顶点({overline t _i})被转换成(overline{t}_i^{'})(都是齐次坐标系下的列向量)：
其中，({omega _{k,i}})是混合权重矩阵(mathcal{W})的元素，代表第(k)部分的旋转角度有多少程度影响了第(i)个顶点。
(exp left(vec{ heta}_{j} ight))为局部(3 imes 3)旋转矩阵，对应结点(j)。
(G_{k}(vec{ heta}, mathbf{J})) 是关节(k)的世界变换
(G_{k}^{'}(vec{ heta}, mathbf{J}))是移除了变换后的相同变换（the same transformation after removing the transformation due to the rest pose.）
(mathbf{J}):关节回归函数。Predict points from surface. Each 3-element vector in (J) corresponding to a single joint center (j), is denoted (mathbf{j}_j).
(A(k))定义了关节k的有序集合。
注意，为了与现有的渲染引擎兼容，我们假设(mathcal{W})是稀疏的，最多允许四个部分影响一个vertex。
为了保持兼容性，我们保留了基本的皮肤函数，而是以一种附加的方式修改模板，并学习一个预测关节位置的函数。
(B_{S}(vec{eta}),B_{P}(vec{ heta}))表示由shape和pose引起的相对于SMPL标准模板的顶点向量({overline t _i})的偏移量：
进行进一步的细化，初始顶点不能直接用平均形状下的顶点，还要考虑到体型与姿势的影响，同样关节也会因为体型而发生改变。于是得到以下扩展：
其中，(mathbf{b}_{S, i}(vec{eta}), mathbf{b}_{P, i}(vec{ heta})) 分别(B_{S}(vec{eta}),B_{P}(vec{ heta}))的顶点，表示相对于顶点({overline t _i})的偏移量。关节中心是身体形状的函数，通过混合蒙皮变形的模板网络是姿态和形状的函数。
5.Shape blend shapes
不同人的身体形状可以被以下的线性函数表示：
(vec{eta}=left[eta_{1}, ldots, eta_{|vec{eta}|} ight]^{T})，(|vec{eta}|)是线性形状系数的数量。
(mathbf{S}_{n} in mathbb{R}^{3 N})： 形状位移的标准正交主分量（orthonormal principal components of shape displacements )
(mathcal{S}=left[mathbf{S}_{1}, ldots, mathbf{S}_{|vec{eta}|} ight] in mathbb{R}^{3 N imes|vec{eta}|})为形状位移矩阵。线性函数(B_{S}(vec{eta} ; mathcal{S}))能够完全被矩阵(mathcal{S})定义,通过注册训练网络学习。
右边的值表示学习过的参数，而左边的值是动画器设置的参数；为了便于标记，当学习的参数在训练中没有得到明确的优化时，通常忽略这些参数。
6.Pose blend shapes
定义(R：mathbb{R}^{|vec{ heta}|} mapsto mathbb{R}^{9 K})为把一个位姿向量映射到连接部分相对旋转矩阵的向量上(vec{ heta}),由于我们的骨骼（rig）有23个关节，则(R(vec{ heta}))是一个23x9=207维的向量。它的元素是关节旋转角的sin和cos函数，因此它是一个对于(vec{ heta})的非线性函数。
但是作者又定义了一个可以让pose blend shape线性的函数：(R^{*}(vec{ heta})=(R(vec{ heta})-R(vec{ heta}^{*}))),其中，(vec{ heta}^{*})定义了rest pose. 定义(R_n(vec{ heta}))为(R(vec{ heta}))的第n个向量，则与静止模板的偏差为：
上式代表将姿势带来的形状位移正交分解，进行计算，不过要减去休息状态的姿势的影响，这样可以保障pose blend shapes在静止状态时贡献为0。
其中，(mathbf{P}_{n} in mathbb{R}^{3 N})表示顶点偏移的向量。
(mathcal{P}=left[mathbf{P}_{1}, ldots, mathbf{P}_{9 K} ight] in mathbb{R}^{3 N imes 9 K})是所有207个pose blend shape组成的矩阵。(B_{P}(vec{ heta}))完全被矩阵(mathcal{P})定义。
-
Joint locations
不同的体型有不同的关节位置，每个关节由其在静止位姿（rest pose）中的3D位置表示。至关重要的是，这些数据必须是准确的，否则在使用皮肤化方程建立模型时将会出现伪影关节。关节3D位置相对于身体形状的函数如下：
其中，(mathcal{J})是将rest vertices转换成rest joints 的矩阵，我们从不同的人在不同的姿势的例子中学习回归矩阵(mathcal{J})。这个矩阵models哪些网格顶点是重要的，以及如何结合它们来估计关节位置。
8.SPML模型
SMPL模型的模型参数定义为：(Phi = { overline T , mathcal{W}, mathcal{S}, mathcal{J}, mathcal{P}})，通过变换(vec{eta}, vec{ heta})可以得到不同的人体形状和姿态。SMPL最后被定义为：
每个顶点被转换成：
其中，
代表施加blend shapes后的顶点i，(mathbf{s}_{m, i}, mathbf{p}_{n, i} in mathbb{R}^{3})是shape and pose blend shapes对应模板顶点(ar{mathbf{t}}_{i})的元素.
最后，文章用LBS,DQBS去训练参数，分别为SMPL-LBS,SMPL-DQBS,然后默认SMPL-DQBS为它们研发的好模型，因此后边都叫SMPL
9.训练
训练目标是训练(Phi = { overline T , mathcal{W}, mathcal{S}, mathcal{J}, mathcal{P}}) 的参数来最小化数据集上最小顶点的重建误差。因为这个模型分解了shape和pose,因此可以分开训练。先用多姿态数据集训练 ({mathcal{W}, mathcal{J}, mathcal{P}}),再用多形状数据集训练 ({ overline T , mathcal{S}})
参考：
https://blog.csdn.net/weixin_45915902/article/details/108654466